破解下载慢与 C 盘爆满：Ollama 镜像加速与存储路径迁移实战

在国内部署本地大模型，最劝退的两个瞬间往往不是模型跑不起来，而是根本下不动，或者下到一半 C 盘红了。对于依赖 ollama pull 获取模型的用户来说，官方源的网络波动是常态，而模型文件默认“安家”在系统盘（通常是 C 盘）的机制，更是让许多磁盘空间捉襟见肘的开发者头疼不已。一个 70B 参数的量化模型动辄占用 40GB 以上空间，加上系统更新和其他开发工具，C 盘很快便会亮起红灯。

其实，Ollama 的设计架构非常灵活，它支持将“元数据查询”与“模型文件存储”分离。通过配置环境变量，我们完全可以实现两件事：一是让 Ollama 从国内镜像站拉取模型元数据和二进制层，解决下载超时问题；二是将沉重的模型文件（Blob）重定向到 D 盘或其他大容量硬盘，彻底释放系统盘压力。本文将深入解析这一机制，并提供可落地的配置方案。

理解 Ollama 的存储与下载机制

要解决问题，先得明白 Ollama 是怎么工作的。当你执行 ollama pull llama3 时，后台实际上发生了三个关键步骤：

1. 元数据查询：客户端首先访问注册表（Registry），查询 llama3 标签对应的 Manifest（清单），里面包含了模型的分层结构、digest（哈希值）等信息。
2. 分层拉取：根据 Manifest 中的信息，客户端从 Blob 存储地址下载具体的模型层文件（通常是压缩的 tar 包）。
3. 本地合并：下载完成后，Ollama 将这些层解压并合并成最终的二进制文件，存储在本地模型目录中。

默认情况下，这三个步骤都指向官方服务器（registry.ollama.ai），且最终文件存储在用户目录下的 .ollama/models 文件夹中（Windows 下通常为 C:\Users\用户名\.ollama\models）。

痛点分析：

• 网络瓶颈：官方 Registry 和 Blob 服务器位于海外，国内直连速度慢甚至连接重置。
• 空间瓶颈：.ollama 目录硬绑定在用户主目录，无法通过简单设置更改。如果 C 盘空间不足，拉取大模型时会直接报错 no space left on device。

解决思路很清晰：拦截元数据请求指向国内镜像，同时强制修改 Blob 缓存路径。

配置国内镜像源加速下载

Ollama 客户端尊重标准的环境变量配置。我们可以通过设置 OLLAMA_REGISTRY 来指定元数据查询的地址。虽然 Ollama 官方没有直接提供“一键切换国内源”的图形界面，但社区和维护者已经搭建了一些可靠的镜像站，或者你可以使用通用的反向代理地址。

在 Windows 系统中，配置分为“临时生效”和“永久生效”两种场景。

临时测试（PowerShell）

如果你只是想快速测试某个模型，可以在当前的 PowerShell 窗口中执行以下命令。注意，这仅对当前窗口有效，关闭窗口后失效。

# 设置注册表镜像地址 (示例地址，请替换为实际可用的国内镜像站)
$env:OLLAMA_REGISTRY = "https://mirror.ollama.ai" 

# 尝试拉取模型
ollama pull llama3:8b

如果镜像站配置正确，你会发现下载速度显著提升，不再出现长时间的 connecting 状态。

永久生效（系统环境变量）

为了让配置永久生效，避免每次打开终端都要输入一遍，我们需要将其写入系统环境变量。

1. 按下 Win + S，搜索“编辑系统环境变量”并打开。
2. 点击右下角的“环境变量”按钮。
3. 在“系统变量”区域（注意不是用户变量，以确保所有用户和服務都能生效），点击“新建”。
4. 变量名输入：OLLAMA_REGISTRY
5. 变量值输入：你的国内镜像地址（例如 https://mirror.ollama.ai 或其他可信源）。
6. 点击确定保存。

重要提示：修改环境变量后，必须重启 Ollama 服务才能生效。

• 在任务栏右下角找到 Ollama 图标，右键选择 “Quit Ollama”。
• 重新在开始菜单启动 Ollama。
• 或者在管理员权限的 PowerShell 中运行：ollama serve（如果作为服务运行则重启服务）。

迁移模型存储路径至 D 盘

解决了下载慢的问题，接下来处理 C 盘空间危机。Ollama 提供了一个专门的环境变量 OLLAMA_MODELS（在部分版本文档中也被称为 OLLAMA_BLOB_CACHE 或关联路径），用于指定模型文件的存储根目录。

准备工作

假设我们要将模型存储迁移到 D:\AI_Models\Ollama。

1. 在 D 盘新建文件夹 AI_Models，并在其中新建 Ollama 文件夹。
2. （可选）如果你已经下载过一些模型，可以将 C:\Users\你的用户名\.ollama\models 下的所有内容剪切到这个新文件夹中，以保留现有模型。

配置存储路径

同样，我们通过系统环境变量来完成这一设置。

1. 再次打开“环境变量”设置窗口。
2. 在“系统变量”区域点击“新建”。
3. 变量名输入：OLLAMA_MODELS
   • 注：这是 Ollama 官方推荐的标准变量名，用于覆盖默认模型路径。
4. 变量值输入：D:\AI_Models\Ollama
5. 点击确定保存。

验证配置

配置完成后，务必再次重启 Ollama 服务。然后打开一个新的终端窗口（确保加载了最新的环境变量），执行以下命令验证：

# 查看当前配置是否生效 (不同版本可能表现不同，主要看拉取行为)
ollama list

# 尝试拉取一个新模型
ollama pull qwen2:7b

此时，观察 D 盘 AI_Models\Ollama 文件夹，你应该能看到新生成的 blobs 和 manifests 目录，且文件正在写入。而 C 盘的用户目录下将不再生成新的模型数据。

进阶：通过 config.json 微调运行时参数

除了环境变量，Ollama 还支持通过配置文件 config.json 来持久化一些运行时参数，比如 GPU 卸载层数、线程数等。虽然它不能直接用来改存储路径（路径优先级上环境变量更高），但配合使用可以优化模型在有限硬件上的表现。

配置文件通常位于：

• Windows: %USERPROFILE%\.ollama\config.json (若已迁移路径，则在新路径下)
• Linux/Mac: ~/.ollama/config.json

如果文件不存在，可以手动创建一个。以下是一个典型的配置示例，用于优化 CPU 和 GPU 的协同工作：

{
  "num_gpu": 35,
  "num_threads": 8,
  "host": "0.0.0.0:11434"
}

• num_gpu: 指定卸载到 GPU 的层数。对于显存有限的显卡，适当调整此值可以防止 OOM（内存溢出）。
• num_threads: 指定 CPU 推理线程数。建议设置为物理核心数，避免超线程带来的上下文切换开销。
• host: 允许局域网访问。设置为 0.0.0.0 后，同一局域网内的其他设备可以通过 http://你的 IP:11434 调用你的本地模型。

注意：修改 config.json 后同样需要重启 Ollama 服务。

常见问题排查

在完成上述配置后，你可能会遇到一些特殊情况，以下是针对性的解决方案：

1. 修改环境变量后依然下载到 C 盘？

• 检查服务重启：这是最常见的原因。Ollama 作为一个后台服务启动时，会读取当时的环境变量。如果修改后没有完全退出（包括托盘图标退出）并重新启动，旧配置依然生效。
• 检查变量名拼写：确认是 OLLAMA_MODELS 而不是 OLLAMA_PATH 或其他错误名称。
• 权限问题：确保 D 盘的目标文件夹没有被设置为“只读”，且当前用户有写入权限。

2. 镜像站连接超时或报错？

• 国内镜像站并非永久稳定，如果某个地址失效，请尝试更换其他社区维护的镜像源。
• 检查防火墙或杀毒软件是否拦截了 Ollama 的网络请求。

3. 模型拉取失败提示 checksum 错误？

• 这通常意味着下载过程中文件损坏。由于网络波动，大文件下载容易出错。删除 D:\AI_Models\Ollama\blobs 下对应的损坏文件（通常是以 sha256- 开头的文件），然后重新执行 ollama pull 即可。配置好镜像源后，重传成功率会高很多。

通过合理配置 OLLAMA_REGISTRY 和 OLLAMA_MODELS，我们不仅绕过了网络限制，还实现了存储空间的自由管理。这种“解耦”的思路不仅适用于 Ollama，也是许多现代云原生工具的最佳实践。现在，你可以放心地在 D 盘囤积各种尺寸的模型，随时享受本地大模型带来的便利，而无需担心 C 盘的红色警报。

200小时GPU算力已就位，快来领取：https://marketing.csdn.net/questions/Q2604140858304426315?utm_source=AIpaper